Sobre el Curso
Objetivo de la Asignatura
Este curso proporciona las competencias fundamentales para desempeñarse como Data Scientist utilizando Python. Se abordan desde la manipulación y exploración de datos hasta la implementación de modelos de Machine Learning, con un enfoque práctico y orientado a la resolución de problemas reales.
Para una visión general, puede consultar la siguiente presentación introductoria.
Requisitos de Entrada
Se espera que el estudiante cuente con conocimientos previos en las siguientes áreas:
- Cálculo y Álgebra – Principios fundamentales del análisis matemático.
- Probabilidad y Estadística – Conceptos y herramientas básicas de inferencia.
- Optimización – Métodos y criterios esenciales.
- Python – Familiaridad con su sintaxis y estructuras de datos básicas.
Contenidos Temáticos
| Módulo | Descripción |
|---|---|
| Toolkit Básico | Herramientas esenciales para el análisis de datos en Python. |
| Manipulación de Datos | Técnicas eficientes de procesamiento con Pandas y NumPy. |
| Visualización | Construcción de gráficos y visualizaciones con Matplotlib y Seaborn. |
| Machine Learning | Introducción a los algoritmos fundamentales mediante Scikit-Learn. |
Recursos de Aprendizaje
Texto Guía Principal
- VanderPlas, J. Python Data Science Handbook. O'Reilly Media. Manual de referencia sobre Python para ciencia de datos, con cobertura de NumPy, Pandas, Matplotlib y Scikit-Learn.
Lecturas Complementarias
- Géron, A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media.
- Grus, J. Data Science from Scratch. O'Reilly Media.
- McKinney, W. Python for Data Analysis. O'Reilly Media.
Repositorios de Referencia
| Repositorio | Descripción |
|---|---|
| python_intro | Introducción al lenguaje Python. |
| python_eda | Análisis exploratorio de datos en Python. |
| python_ml | Implementación de modelos de Machine Learning en Python. |
| ### Ponderaciones |
| Componente | Modalidad | Ponderación | Entrega |
|---|---|---|---|
| Laboratorios (10 en total) | Individual | 10% | vie. 3 de julio |
| Tarea (proyecto, online) | Grupal | 45% | mié. 4 de junio |
| Proyecto Final (proyecto, presencial) | Grupal | 45% | vie. 3 de julio |
Cálculo de la Nota Final
\[
N_f = 0{,}10\,\bar{n}_{\text{lab}} + 0{,}45\,n_{\text{tarea}} + 0{,}45\,n_{\text{proyecto}}
\]